Segment Anything Model (SAM)Το μοντέλο βάσης της Meta AI για promptable διαχωρισμό εικόνας σε οποιοδήποτε αντικείμενο ή σκηνή.

4.8 (5)

Αξιολογήθηκε από Daniel Nikulshyn·Ενημερώθηκε Ιούλιος 2026

Open Source Computer Vision Image Segmentation Foundation Model Research PyTorch Zero-Shot

Επισκόπηση

Το Segment Anything Model (SAM) είναι ένα ανοιχτό σύστημα τμηματοποίησης εικόνας που αναπτύχθηκε από τη Meta AI Research. Δίνοντας μια εικόνα και μια απλή εντολή, όπως ένα σημείο, ένα πλαίσιο ή μια αδρή μάσκα, δημιουργεί υψηλής ποιότητας μάσκες τμηματοποίησης για σχεδόν οποιοδήποτε αντικείμενο, χωρίς να απαιτείται εκπαίδευση ειδική για το συγκεκριμένο έργο. Το SAM εκπαιδεύτηκε στο σύνολο δεδομένων SA-1B, το οποίο περιλαμβάνει πάνω από ένα δισεκατομμύριο μάσκες σε 11 εκατομμύρια εικόνες, προσφέροντας του ισχυρή γενίκευση zero-shot. Μπορεί να ενσωματωθεί σε pipelines υπολογιστικής όρασης για εργασίες όπως η σήμανση, η επεξεργασία εικόνας, η ιατρική απεικόνιση, η ρομποτική, η AR/VR και η επιστημονική ανάλυση. Το μοντέλο και το σύνολο δεδομένων κυκλοφορούν υπό ανοιχτές άδειες, καθιστώντας το SAM ένα κοινό δομικό στοιχείο για ερευνητές και προγραμματιστές που χρειάζονται ευέλικτη τμηματοποίηση χωρίς να χρειάζεται να εκπαιδεύσουν ένα προσαρμοσμένο μοντέλο από την αρχή.

Βασικές λειτουργίες

Promptable διαχωρισμός με σημεία και πλαίσια
Αυτόματη δημιουργία μάσκας για ολόκληρες εικόνες
Προεκπαιδευμένος κωδικοποιητής εικόνας βασισμένος σε ViT
Zero-shot μεταφορά σε νέους τομείς
Ανοιχτός κώδικας και σύνολο δεδομένων SA-1B
Ενσωματώνεται με το PyTorch και κοινές στοίβες CV

Τιμές

Μοντέλο: Freemium
Κατηγορία: Όραση Υπολογιστή
Βαθμολογία: 4.8 / 5 (5)

Περιπτώσεις χρήσης

Επιταχυμένη σήμανση συνόλων δεδομένων

Χρησιμοποιήστε το promptable διαχωρισμό του SAM για γρήγορη ετικετοποίηση αντικειμένων σε σύνολα εικόνων με απλά κλικ ή πλαίσια, μειώνοντας τον χρόνο χειροκίνητης σήμανσης για τις γραμμές εκπαίδευσης ML.

Επεξεργασία και συνθέση εικόνας

Δημιουργήστε ακριβείς μάσκες αντικειμένων για αφαίρεση φόντου, επιλεκτική επεξεργασία ή συνθέση σε δημιουργικά εργαλεία χωρίς εκπαίδευση προσαρμοσμένου μοντέλου διαχωρισμού.

Ιατρική και επιστημονική ανάλυση απεικόνισης

Εφαρμόστε zero-shot διαχωρισμό σε ιατρικές σαρώσεις ή επιστημονικές εικόνες για απομόνωση δομών ενδιαφέροντος, διευκολύνοντας τη μέτρηση και την επακόλουθη ανάλυση.

Αντίληψη ρομποτικής και AR/VR

Ενσωματώστε το SAM σε αγωγούς υπολογιστικής όρασης για απομόνωση αντικειμένων στη ρομποτική χειρισμό ή στην κατανόηση σκηνών AR/VR χρησιμοποιώντας προτροπές σημείου ή πλαισίου.

Υπέρ και κατά

Υπέρ

Ισχυρή zero-shot διαχωριστική ανάλυση σε αόρατα αντικείμενα
Ευέλικτες προτροπές: σημεία, πλαίσια ή μάσκες
Ανοιχτά βάρη και μεγάλο δημόσιο σύνολο δεδομένων
Εύκολη ενσωμάτωση μέσω της επίσημης βιβλιοθήκης Python

Κατά

Μεγάλο μοντέλο μπορεί να είναι βαρύ για πραγματικό‑χρόνο χρήση σε CPU
Δεν εκχωρεί ετικέτες σημασιολογικών κλάσεων
Η ποιότητα μειώνεται σε πολύ μικρές ή λεπτές δομές
Απαιτεί προτροπές ή ρύθμιση αυτόματης δημιουργίας μάσκας

Ρεκόρ μαχών

Σε 1 μάχη στο Πάνθεον.

1ος

2ος

3ος

Last battle

#2
Computer Vision Showdown — February 5, 2024
Feb 5, 2024 · #2 of 8

Κριτικές

4.8

Μέσος όρος από 5 βαθμολογίες.

Σύνδεση για κριτική.

Aaliyah Johnson

Apr 5, 2026

Years in this space

I've evaluated a lot of these over the years. What stands out here is pretrained ViT-based image encoder — handled better than most — and strong zero-shot segmentation on unseen objects. Worth the time if this is your use case.

Margaret Whitfield

Mar 5, 2026

Years in this space

I've evaluated a lot of these over the years. What stands out here is promptable segmentation with points and boxes — handled better than most — and flexible prompts: points, boxes, or masks. Worth the time if this is your use case.

Hannah Goldberg

Oct 15, 2025

Use it every day

Honestly didn't expect to like it this much. Integrates with PyTorch and common CV stacks is exactly what I needed, and easy to integrate via official Python library. I do wish requires prompts or automatic mask generation setup, but I reach for it almost every day now and it just clicks.

Olga Ivanova

Jul 10, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on zero-shot transfer to new domains, and strong zero-shot segmentation on unseen objects caught me off guard. Requires prompts or automatic mask generation setup is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Linda Petersen

May 29, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on automatic mask generation for entire images, and open weights and large public dataset caught me off guard. still, I'd recommend giving it a real trial.

Ερωτήσεις

Does SAM provide semantic class labels for the segmented objects?

No, SAM outputs binary masks only; it does not assign semantic class labels, so you would need an additional classifier if label information is required.

Asked by Giulia Conti · Mar 23, 2026

Can SAM be used for real‑time applications on CPU‑only hardware?

Because SAM’s ViT‑based encoder is large, it runs efficiently on GPUs but can be slow on CPUs, making real‑time CPU‑only deployment challenging for high‑throughput use cases.

Asked by Tariq Aziz · Feb 22, 2026

What input prompts does SAM accept for generating segmentation masks?

SAM can take point clicks, bounding boxes, or rough masks as prompts, and it also offers an automatic mode that generates masks for all objects in an image without any user input.

Asked by Salome Beridze · Dec 22, 2025